Wykorzystanie sieci neuronowych do
przetwarzania sygnałów
biomedycznych w ocenie ryzyka patologii
Autor: Przemysław Janiszewski
Promotor: Krzysztof Regulski
Recenzent: Izabela Olejarczyk-Wożeńska
Rodzaj studiów i kierunek: stacjonarne IT, inż
Nazwa wydziału: Wydział Inżynierii Metali i Informatyki Przemysłowej
Nazwa katedry: Katedra Informatyki Stosowanej i Modelowania
Miejsce i data prezentacji: Kraków, 03.02.2025
Problematyka:
Dynamicznie postępujący rozwój sztucznej inteligencji, a także narastające trudności wdostępie
do opieki medycznej wynikające z problemów demograficznych, niewystarczającej ilości personelu
medycznego oraz coraz większego rozwarstwiania się społeczeństw.
Cel pracy:
Stworzenie systemu ekspertowego umożliwiającego prowadzenie badań przesiewowych dla
dolegliwości cywilizacyjnych, takich jak cukrzyca, czy choroby wieńcowe, atakże zapewnienie
szybkich analiz i odpowiedzi na proste, rutynowe pytania w celu odciążenia personelu
medycznego.
Kluczowe etapy realizacji projektu:
•Trening modelu do oceny ryzyka wystąpienia zaburzeń sercowo-naczyniowych przy
wykorzystaniu architektury MLP
•Szkolenie modelu do prognozowania ryzyka rozwoju cukrzycy przy zastosowaniu mechanizmu
samouwagi architektury TabNet
•Implementacja oraz konfiguracja modelu LLaMA3.1 dla celów okołomedycznych
Założenia techniczne:
• Dostęp do systemu z dowolnego miejsca na świecie poprzez hostowanie aplikacji w chmurze
Microsoft Azure
•Ochrona danych przed nieautoryzowanym dostępem poprzez szyfrowanie komunikacji przy
pomocy protokołu HTTPS, wykorzystanie reverse proxy, a także grup zabezpieczeń sieciowych
(NSG)
Motywacja
Projekt systemu
Przykłady zastosowanych technologii
Graficzny interfejs użytkownika
Widok dla urządzeń desktopowych Widok dla urządzeń
mobilnych
Notatniki Jupyter w postaci plików PDF, przekonwertowane z
wykorzystaniem LaTeX, osadzone w oknie przeglądarki
Analiza zaburzeń sercowo-naczyniowych Analiza ryzyka wystąpienia
cukrzycy
Architektura modeli sieci neuronowych oraz obiektu żądania
•Weryfikacja poprawności pobierania i wyświetlania parametrów szkoleniowych modeli z chmurowej
bazy danych w sekcji Info
• Obsługa formularzy diagnostycznych // weryfikacja generowanych predykcji
• Obsługa i nawigacja po notatnikach zawierających informacje o procesie szkolenia modeli
•Zmiana języka // motywu aplikacji
•Testy funkcjonalności chatbota „Medical GPT”
Testy systemu E2E
Test utrzymywanie kontekstu rozmowy oraz wyszukiwania
kluczowych informacji w bazie danych przy pomocy GPT
Testy systemu
Dalsze możliwości rozwoju:
•Zapewnienie autoskalowania, replikacji i równoważenie obciążenia poprez Managed Kubernetes Service (AKS)
•Optymalizacja zapytań bazodanowych oraz zwiększenie liczby dostępnych specjalistów medycznych
•Implementację innych, nowatorskich modeli uczenia maszynowego
•Zwiększenie intuicyjności interfejsu użytkownika poprzez optymalizację UI/UX
•Udoskonalenie chatbota „Medical GPT” poprzez weryfikację dostarczanych informacji w oparciu o źródła
dostępne w Internecie oraz rozwój bardziej zaawansowanych technik „prompt-to-action”
•Rozwój większej liczby testów E2E oraz ich innych rodzajów tj. jednostkowe, bezpieczeństwa, wydajnościowe,
A/B ...
Ocena skuteczności opracowanego rozwiązania
Czy założony cel opracowanego systemu został osiągnięty?
Podsumowanie
Dziękuję za uwagę, czekam na Państwa „zapytania” 😄
